‹ Back

Técnicas Avanzadas para Mejorar la Planificación y el Control de Seguimiento en la Conducción Inteligente

La evolución de la tecnología de conducción inteligente ha planteado retos significativos, especialmente en el área de la planificación de trayectorias y el control de seguimiento. Problemas como la baja precisión y la inestabilidad en estos procesos limitan el rendimiento de los sistemas de conducción autónoma. Para abordar estas dificultades, un enfoque innovador combina algoritmos de campo de potencial artificial (APF) mejorados con un control predictivo basado en modelos (MPC) optimizado, ofreciendo soluciones más robustas y precisas.

Optimizando la Planificación de Trayectorias con APF Mejorado

El algoritmo de campo de potencial artificial tradicional se ha utilizado ampliamente en la planificación de trayectorias gracias a su simplicidad y eficiencia. Sin embargo, presenta limitaciones en escenarios complejos de conducción. Para superar estas restricciones, se introduce un APF mejorado que considera:

Campos potenciales diferenciados: Diseño de campos específicos que contemplan la dinámica de los vehículos circundantes, las características cambiantes de la carretera y los límites viales.

Campo de potencial de límites de carretera: Se modelan los bordes de la carretera como un campo de potencial que garantiza una navegación segura.

Entorno de conducción realista: La mejora del APF asegura que las trayectorias generadas reflejen con mayor precisión las condiciones reales del entorno de conducción, adaptándose a escenarios dinámicos y complejos.

Estas mejoras permiten una planificación de trayectorias más precisa y acorde con las demandas de los vehículos autónomos en entornos urbanos y rurales.

Control de Seguimiento Basado en MPC con Dinámica Vehicular

El control predictivo basado en modelos (MPC) es una herramienta poderosa para garantizar que un vehículo siga una trayectoria predefinida con alta precisión y estabilidad. En este enfoque, se emplea un modelo de dinámica vehicular de tres grados de libertad, que captura aspectos críticos del comportamiento del vehículo:

Restricciones dinámicas: El modelo incorpora limitaciones físicas, como la fricción de los neumáticos y los límites de velocidad angular, para mantener un control realista.

Función objetivo de optimización: Se diseña una función objetivo que prioriza la estabilidad lateral y la minimización de errores en la trayectoria, garantizando un seguimiento preciso.

 

 

Adaptación a trayectorias cambiantes: Gracias a su capacidad predictiva, el MPC puede anticiparse a los cambios en la trayectoria y ajustar las acciones del vehículo en tiempo real.